Как действительно удалить докеры и изображения, чтобы освободить место в частном реестре Docker
Существует два возможных решения:
- Используйте булевскую маску, затем используйте
df.loc[mask] - Установите столбец даты как DatetimeIndex, затем используйте
df[start_date : end_date]
Использование булевой маски:
Убедитесь, что df['date'] - это серия с dtype datetime64[ns]:
df['date'] = pd.to_datetime(df['date'])
Сделайте булевая маска. start_date и end_date могут быть datetime.datetime s, np.datetime64 s, pd.Timestamp s или даже строки datetime:
mask = (df['date'] > start_date) & (df['date'] <= end_date)
Выберите суб-DataFrame:
df.loc[mask]
или повторно назначить на df
df = df.loc[mask]
Например,
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.random((200,3)))
df['date'] = pd.date_range('2000-1-1', periods=200, freq='D')
mask = (df['date'] > '2000-6-1') & (df['date'] <= '2000-6-10')
print(df.loc[mask])
дает
0 1 2 date
153 0.208875 0.727656 0.037787 2000-06-02
154 0.750800 0.776498 0.237716 2000-06-03
155 0.812008 0.127338 0.397240 2000-06-04
156 0.639937 0.207359 0.533527 2000-06-05
157 0.416998 0.845658 0.872826 2000-06-06
158 0.440069 0.338690 0.847545 2000-06-07
159 0.202354 0.624833 0.740254 2000-06-08
160 0.465746 0.080888 0.155452 2000-06-09
161 0.858232 0.190321 0.432574 2000-06-10
Использование DatetimeIndex:
Если вы собираетесь делать много выбора по дате, возможно, быстрее установить столбец date в качестве индекса. Затем вы можете выбрать строки по дате, используя df.loc[start_date:end_date].
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.random((200,3)))
df['date'] = pd.date_range('2000-1-1', periods=200, freq='D')
df = df.set_index(['date'])
print(df.loc['2000-6-1':'2000-6-10'])
дает
0 1 2
date
2000-06-01 0.040457 0.326594 0.492136 # <- includes start_date
2000-06-02 0.279323 0.877446 0.464523
2000-06-03 0.328068 0.837669 0.608559
2000-06-04 0.107959 0.678297 0.517435
2000-06-05 0.131555 0.418380 0.025725
2000-06-06 0.999961 0.619517 0.206108
2000-06-07 0.129270 0.024533 0.154769
2000-06-08 0.441010 0.741781 0.470402
2000-06-09 0.682101 0.375660 0.009916
2000-06-10 0.754488 0.352293 0.339337
Пока индексирование списка Python, например. seq[start:end] включает start, но не end, напротив, Pandas df.loc[start_date : end_date] включает оба конца в результате, если они находятся в индексе. Однако start_date и end_date должны быть в индексе.
Также обратите внимание, что pd.read_csv имеет параметр parse_dates , который вы могли бы использовать для проанализируйте столбец date как datetime64 s. Таким образом, если вы используете parse_dates, вам не нужно будет использовать df['date'] = pd.to_datetime(df['date']).